钻井溢流预警的方法及装置与流程

1.本发明涉及油气勘探开发技术领域，尤其涉及钻井溢流预警的方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.伴随着原油的不断开采，油气勘探开发领域正在由常规油气资源向深层超深层、海洋深水方向转变，面临着资源劣质化、勘探多元化等挑战。
4.由于地层信息预测不准确、钻井操作不当等因素，溢流发生频繁。
5.溢流发生时，倘若发现不及时或太晚，都会导致严重的井下事故，如井喷。事实证明，当溢流发生之后，快则在10分钟之内，慢则在10～30分钟内，将会引发更为严重的井喷事故，造成设备损坏、人员伤亡、环境污染以及油井工程报废等严重后果。因此溢流也是钻井中高频、高危害的事故之一。现阶段一般十分重视溢流井喷事故，并且采取各种手段进行预警调控。
6.目前，多使用进出口流量差值变化、钻井液性质参数变化和井底参数变化作为溢流预警的判断依据，但由于溢流影响因素多，变化规律复杂，目前的钻井溢流预警方法仍存在预警滞后、虚警率高等问题。


技术实现要素：

7.本发明实施例提供一种钻井溢流预警的方法，用以提升钻井溢流预警的准确度和处理效率，该方法包括：
8.根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；所述溢流数据集包括训练样本数据集和测试样本数据集；
9.建立bp-lstm神经网络模型；所述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；
10.以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；
11.将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；
12.根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；
13.根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；
14.对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；
15.在加权概率超过预设数值时，发出钻井溢流的预警信息。
16.本发明实施例还提供一种钻井溢流预警的装置，用以提升钻井溢流预警的准确度和处理效率，该装置包括：
17.溢流数据集建立模块，用于根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；所述溢流数据集包括训练样本数据集和测试样本数据集；
18.bp-lstm神经网络模型建立模块，用于建立bp-lstm神经网络模型；所述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；
19.溢流预警神经网络模型训练模块，用于以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；
20.第一钻井溢流发生概率计算模块，用于将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；
21.井底压力与地层压力的差值计算模块，用于根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；
22.第二钻井溢流发生概率计算模块，用于根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；
23.加权概率计算模块，用于对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；
24.预警模块，用于在加权概率超过预设数值时，发出钻井溢流的预警信息。
25.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述钻井溢流预警的方法。
26.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流预警的方法。
27.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流预警的方法。
28.本发明实施例中，根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；所述溢流数据集包括训练样本数据集和测试样本数据集；建立bp-lstm神经网络模型；所述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；在加权概率超过预设数值时，发出钻井溢流的预警信息，与现有技术中使用进出口流量差值变化、钻井液性质参数变化和井底参数变化进行溢流预警的技术方案相比，通过建立bp-lstm神经网络模型，实现了基于神经网络的溢流早期预警，可以实现快速精确进行溢流预警的目的，同时通过根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率，实现了基于溢流机理的溢流早期预警，进而通过加权计算，提升了钻井溢流预警的准确度和处理效率。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
30.图1为本发明实施例中一种钻井溢流预警的方法的流程示意图；
31.图2为本发明实施例中一种钻井溢流预警的方法的具体示例图；
32.图3为本发明实施例中一种钻井溢流预警的方法的具体示例图；
33.图4为本发明实施例中一种建立bp-lstm神经网络模型的具体示例图；
34.图5为本发明实施例中一种钻井溢流预警的方法的具体示例图；
35.图6为本发明实施例中一种钻井溢流预警的方法的具体示例图；
36.图7为本发明实施例中一种钻井溢流预警的装置的结构示意图；
37.图8为本发明实施例中一种钻井溢流预警的装置的具体示例图；
38.图9为本发明实施例中一种钻井溢流预警的装置的具体示例图；
39.图10为本发明实施例中用于执行钻井溢流预警的方法计算机设备示意图。
具体实施方式
40.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
41.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
42.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
43.伴随着原油的不断开采，油气勘探开发领域正在由常规油气资源向深层超深层、海洋深水方向转变，面临着资源劣质化、勘探多元化等挑战。由于地层信息预测不准确、钻井操作不当等因素，溢流发生频繁。溢流发生时，倘若发现不及时或太晚，都会导致严重的井下事故，如井喷。事实证明，当溢流发生之后，快则在10分钟之内，慢则在10～30分钟内，将会引发更为严重的井喷事故，造成设备损坏、人员伤亡、环境污染以及油井工程报废等严重后果。因此溢流也是钻井中高频、高危害的事故之一。现阶段一般十分重视溢流井喷事故，并且采取各种手段进行预警调控。多使用进出口流量差值变化、钻井液性质参数变化和井底参数变化作为溢流预警的判断依据，但由于溢流影响因素多，变化规律复杂，目前仍存
在预警滞后、虚警率高等问题。
44.随着信息化和物联网的发展，通过提取特征参数训练模型，模型优化等方式确定智能模型。利用智能模型和现场实时数据进行溢流实时预警是近年来新兴的方法之一，并且展现出了良好的发展前景。
45.为了解决上述问题，本发明实施例提供了一种钻井溢流预警的方法，用以提升钻井溢流预警的准确度和处理效率，参见图1，该方法可以包括：
46.步骤101：根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；上述溢流数据集包括训练样本数据集和测试样本数据集；
47.步骤102：建立bp-lstm神经网络模型；上述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；
48.步骤103：以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；
49.步骤104：将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；
50.步骤105：根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；
51.步骤106：根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；
52.步骤107：对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；
53.步骤108：在加权概率超过预设数值时，发出钻井溢流的预警信息。
54.本发明实施例中，根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；上述溢流数据集包括训练样本数据集和测试样本数据集；建立bp-lstm神经网络模型；上述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；在加权概率超过预设数值时，发出钻井溢流的预警信息，与现有技术中使用进出口流量差值变化、钻井液性质参数变化和井底参数变化进行溢流预警的技术方案相比，通过建立bp-lstm神经网络模型，实现了基于神经网络的溢流早期预警，可以实现快速精确进行溢流预警的目的，同时通过根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率，实现了基于溢流机理的溢流早期预警，进而通过加权计算，提升了钻井溢流预警的准确度和处理效率。
55.具体实施时，首先根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；上述溢流数据集包括训练样本数据集和测试样本数据集。
56.实施例中，对钻井的录井数据和钻井工程数据，进行数据预处理，得到处理后的钻井数据；上述预处理包括：数据整理清洗处理、数据补全处理和数据标准化处理；
57.根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的
溢流数据集，可以包括：
58.根据处理后的钻井数据，建立用于神经网络训练和神经网络输入的溢流数据集。
59.在一个实施例中，根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集，如图2所示，可以包括：
60.步骤201：利用卡方检验，根据钻井的录井数据和钻井工程数据，选取录井特征数据；
61.步骤202：根据选取的录井特征数据，建立用于神经网络训练和神经网络输入的溢流数据集。
62.在上述实施例中，可首先通过对现场钻压、转速等录井数据与井身结构、钻井液性能等钻井工程数据构成的数据集，进行数据的整理与清洗、数据补全、数据标准化以及特征选择，并建立数据预处理方法与流程。
63.在一个具体实施例中，可首先对现场采集的各类数据按照井深序列对齐，然后对于缺失数据，通过对部分缺失数据的重要性分析，确定是否删除大量缺失特征，以及通过中位数、平均值等补全方法实现数据补全。
64.进一步的，可优选并确定最优的数据标准化方法，可以包括：min-max标准化、log函数转换、z-score标准化、模糊量化法、均值归一化等。
65.最后，对钻压等51个录井数据特征建立针的特征选择方法，主要包括：
66.(1)利用方差选择计算各个特征的方差，结合专家知识判断特征变化趋势，确定数据方差最小值作为阈值，选择方差大于阈值的特征；
67.(2)卡方检验统计样本的实际观测值与理论推断值之间的偏离程度，其程度就决定卡方值的大小。
68.在上述实施例中，对于大量数据使用卡方检验可以方便简洁进行检验，利用卡方检验来检验定性自变量对定性因变量的相关性，进而最终确定使用数据的种类和处理方式，最终建立可用神经网络训练的溢流数据集。
69.在上述实施例中，利用了钻录数据集，其主要包括地面钻井参数，具有所需额外设备少、成本低、易于实现推广与现场测试使用等优点。
70.具体实施时，在根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集后，建立bp-lstm神经网络模型；上述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构。
71.实施例中，按如下方式建立bp-lstm神经网络模型：
72.将交叉熵损失函数作为全连接神经网络和长短期记忆神经网络的损失函数；
73.将全连接神经网络和长短期记忆神经网络的损失函数相加，得到bp-lstm神经网络模型的损失函数；
74.对bp-lstm神经网络中的超参数进行参数寻优操作；上述超参数包括隐藏层数量、神经元个数、激活函数、损失函数和优化器。
75.具体实施时，在建立bp-lstm神经网络模型后，以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型。
76.具体实施时，在以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型后，将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢
流发生概率。
77.在一个实施例中，上述溢流数据集还用于神经网络验证；上述溢流数据集还可以包括验证样本数据集；
78.在得到溢流预警神经网络模型后，上述方法还可以包括：
79.利用正交试验法，以准确率、精确率、召回率、漏警率和虚警率为评价指标，使用验证样本数据集，对溢流预警神经网络模型进行验证，得到验证好的溢流预警神经网络模型。
80.在上述实施例中，首先可针对钻井过程的时序性特点，优选bp、lstm等神经网络，并将最终优选出的bp神经网络和lstm网络进行串联，形成bp-lstm串联的网络结构。
81.在此基础上，结合溢流发生的本质原因：即井底压力和地层压力不平衡，对神经网络的损失函数进行改进，例如，可将全连接神经网络的输出节点和长短期记忆神经网络的输出节点两部分皆使用对于大量数据求导更简单快速的交叉熵损失函数，并将两者相加作为最终的损失函数。从而，使全连接神经网络(annbp)的两个输出节点在物理层面一定程度上可以反应井底压力和地层压力，从而实现更高精度的模型。
82.最后可对神经网络中的超参数进行寻优，参数寻优主要包括隐藏层数量、神经元个数、激活函数、损失函数和优化器等的选择。在上述参数选优操作中，可利用正交试验法，设置正交试验参数组合，以准确率、精确率、召回率、漏警率和虚警率为评价指标，使用测试数据集对模型效果进行测试。
83.举一例，本发明实施例提供的最终模型其平均正确率为95.8％，漏警率为7.58％，虚警率为0.05％，因此，可有效提高溢流预警的精度，有望降低钻井风险与经济损失。
84.当模型精度符合要求时确定模型，不符合精度时调整修改模型，重复操作直至满足精度要求，建立基于神经网络的溢流预警模型，最终得到井底溢流发生的概率p1。
85.在一个实施例中，基于神经网络进行溢流预警，可方便后续开展模型维护、模型与深度学习结合的后期更新。同时，相比于其他算法，采用bp和lstm网络融合模型，并且通过损失函数对模型加以物理层面约束，使模型的鲁棒性增强，输出较为稳定且可以实现快速精确进行溢流预警。
86.具体实施时，在将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率后，根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值。
87.实施例中，根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值，可以包括：
88.使用钻井的录井数据和钻井工程数据中的井身结构数据和钻井液性能数据，将井口压力作为边界条件，通过质量守恒方程和能量守恒方程，进行井筒内压力计算，得到井底压力与地层压力的差值。
89.在一个实施例中，按如下公式进行井筒内压力计算，得到井底压力与地层压力的差值：
90.δp＝p
p-p
downhole
91.其中，δp为井底压力与地层压力的差值，单位为mpa；p
p
为地层压力，单位为mpa；p
downhole
为井底压力，单位为mpa。
92.具体实施时，在根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到
井底压力与地层压力的差值后，根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率。
93.实施例中，按如下公式根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率：
[0094][0095]
其中，p2为第二钻井溢流发生概率；δp为井底压力与地层压力的差值，单位为mpa；a为预设置的常数。
[0096]
在上述实施例中，可使用包括井身结构和钻井液性能等钻井工程参数，将井口压力作为边界条件，按如下公式通过质量守恒方程和能量守恒方程进行井筒内压力计算：
[0097]
质量守恒方程：
[0098][0099][0100]
动量方程：
[0101][0102]
通过有限差分，隐式离散求解上述方程：
[0103][0104]
式中：ρ
l
，ρg代表液体和气体密度，kg/m3；α
l
，αg代表持液率和持气率，无单位；v
l
，vg代表液体和气体流速，m/s；p代表此处压力，pa；g代表重力加速度，m/s3；ff所受合外力，n；wj，fj，qj代表差分变量；δt，δz代表差分的时间长度和空间长度；n，i代表差分的时间节点和空间节点；j代表节点序号，为1,2,
…
,j。
[0105]
在上述步骤中，可使用钻井的录井数据和钻井工程数据中的井身结构数据和钻井液性能数据，构建出全井筒压力计算简化模型，从而可确定井底压力变化情况和趋势，通过与地层压力对比进行溢流情况判断，实时计算井底压力与地层压力的差值，计算方法为：
[0106]
井底压差＝地层压力-井底压力，
[0107]
δp＝p
p-p
downhole
[0108]
其中，δp为井底压力与地层压力的差值，单位为mpa；p
p
为地层压力，单位为mpa；p
downhole
为井底压力，单位为mpa。
[0109]
举一实例，当井底压差为0mpa时，可认为不会发生溢流，当井底压差大于等于2.0mpa(即一种预设置的常数，可根据钻井的实际情况由工作人员自由设置)时，溢流发生的可能性较大。对此，可将实时计算得到的井底压差转换为溢流发生的概率，即基于溢流机理的井底溢流评价指标为：
[0110][0111]
其中，p2为第二钻井溢流发生概率；δp为井底压力与地层压力的差值，单位为
mpa；a为预设置的常数。
[0112]
在上述实施例中，可将智能的神经网络模型和传统的压力模型(即执行上述计算第二钻井溢流发生概率步骤的模型)相结合，增加了模型泛化能力，保证模型在不同状况下都可以保持一定的精度，也为今后开展智能钻井风险预测打下基础。
[0113]
具体实施时，在根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率后，对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率。
[0114]
具体实施时，在对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率后，在加权概率超过预设数值时，发出钻井溢流的预警信息。
[0115]
实施例中，按如下公式对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率：
[0116]
p＝w1×
p1+w2×
p2[0117]
其中，p为钻井溢流的加权概率；w1、w2为预设置的加权权重；p1为第一钻井溢流发生概率；p2为第二钻井溢流发生概率。
[0118]
在一个具体实施例中，可通过将基于神经网络的溢流预警模型，和基于溢流机理的模型结果，进行加权平均后，得到最终的溢流概率综合评价指标，举一实例，w1、w2为预设置的加权权重，可分别可取0.5、0.5。
[0119]
在一个具体实施例中，可结合钻井的实际情况，可针对溢流工况造成的后果较为严重的情况，以及工程上允许一定的误报率，但需要将漏报率降至最低，对此可将溢流概率综合评价阈值(即上述的预设数值)设置为0.4，即当实时计算得到的p大于0.4时，认为会发生溢流，进行溢流报警，当小于0.4时，认为不会发生溢流。
[0120]
下面给出一个具体实施例，来说明本发明的方法的具体应用。
[0121]
本发明实例，可通过在钻井施工中，获取的大钩载荷、钻压、钻速、扭矩、流量等参数经过预处理作为输入，使数据经过bp模型进行一次约束，再次传入lstm模型运算，利用输出数据进行溢流早期预警。同时部分其他数据通过质量和动量方程计算井底压力，然后和地层压力对比进行溢流判断。最终通过智能模型和机理模型结果加权评价作为最终预警结果。
[0122]
下面结合附图对本发明的应用原理作详细的描述。
[0123]
如图3所示，本发明实施例提供的基于神经网络和溢流机理的溢流早期预警方法包括以下步骤：
[0124]
步骤1：获取钻井数据集，并针对数据进行预处理。
[0125]
针对上述数据集可以包括：录井数据以及钻井工程数据。其中录井数据包括且不限于：大钩载荷、钻压、钻速、扭矩、流量等；钻井工程数据包括且不限于：钻井液参数、地层岩性，孔隙度等参数。
[0126]
针对上述数据进行数据的整理与清洗、数据补全、数据标准化以及特征选择，并建立数据预处理方法与流程，首先对现场采集的各类数据按照井深序列对齐，然后对于缺失数据，通过对部分缺失数据的重要性分析，确定是否删除大量缺失特征，以及通过中位数、平均值等补全方法实现数据补全。进一步的，优选并确定最优的数据标准化方法，可以包括：min-max标准化、log函数转换、z-score标准化、模糊量化法、均值归一化等。
[0127]
针对上述标准化后的数据，可利用方差选择计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征；其中，卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有n种取值，因变量有m种取值，考虑自变量等于i(如岩性)且因变量等于j(如溢流)的样本频数的观察值与期望的差距，构建统计量判断岩性与溢流的关系性：
[0128][0129]
其中，χ2代表卡方检验，a代表进入小区间(如细粒砂岩、中粒砂岩等组成的砂岩区；白云岩、石灰岩等组成的碳酸盐岩区等类型)的频率，e代表理论进入小区间的频率(需要修正)。
[0130]
步骤2：如图4所示，搭建神经网络的基本框架。
[0131]
将bp与lstm网络串联连接，形成bp-lstm网络的基本框架，对于bp神经网络的参数调整主要包括隐藏层数量，神经元个数，激活函数，损失函数和优化器的选择。
[0132]
对于神经元数量结合fangfagorman、kolmogorov定理，初步确定三个初始值，隐藏层结点数s与输入层的个数n的关系分别为：
[0133]
s＝log2ns
[0134]
s＝2n+1s
[0135][0136]
其中，n是输出层的个数；n输入层的个数；s隐藏层结点数。
[0137]
对于激活函数通过重复实验从sigmiod、tanh、relu和softmax激活函数不同层次的网络优选使用的激活函数，四个函数关系式为：
[0138][0139][0140][0141][0142]
式中：f(x)代表激活函数；x代表特征值，无单位；e自然常数，无单位。
[0143]
本发明实施例对于分类问题可使用如下所示的交叉熵损失函数:
[0144][0145]
式中：c表示二分类交叉熵损失值；n样本数量；y代表样本标签，正类为1，负类为0；a样本预测为正类的概率。
[0146]
对于优化器，本发明可对特征维度和样本数量优选不同的梯度下降方式，可以包括梯度下降法(gd)，随机梯度下降法(sgd)及批量梯度下降法(bgd)：
[0147]wt+1
＝w
t-η
t
δj(w
t
),w
t+1
＝w
t-η
t
δj
is
(w
t
,x
(is)
,y
(is)
)
[0148][0149]
其中，t代表时刻，i代表样本，is代表{1,2,
···
,n}随机选择的一个梯度方向，w代表训练的模型参数，j(w)代表代价函数，δj(w)代表代价函数关于模型参数的偏导数即相关梯度为，η
t
代表学习率为，x(i),y(i)分别代表每次输入和输出的样本，δji(w
t
,x(i),y(i))代表样本i代价函数关于w的梯度。
[0150]
通过上述方式确定最优的全连接神经网络(bp)和经典长短期记忆神经网络(lstm)模型的超参数。
[0151]
步骤3：如图5所示，溢流预警模型物理约束与输出搭建。
[0152]
结合溢流发生的本质原因，井底压力和地层压力不平衡。本发明实施例通过在全连接神经网络(bp)的两个输出节点进行物理约束：使其在物理层面一定程度上可以反应井底压力和地层压力，从而实现更高精度的模型，具体方式如下。
[0153]
对损失函数进行改进，将全连接神经网络的输出节点和长短期记忆神经网络的输出节点两部分皆使用交叉熵损失函数，将两者相加作为最终的损失函数进行梯度下降计算：
[0154][0155][0156]
c＝c1+c2[0157]
对二元输出通过softmax激活函数实现对溢流的预警判定。经过使用划分的训练数据集对模型进行适量的训练，和s102部分的超参数寻优确定最优的模型，作为初步溢流预警模型。
[0158]
步骤4：如图5所示，形成基于神经网络的溢流预警模型
[0159]
使用测试数据集对模型效果进行测试，通过准确率(a)、精确率(p)、召回率(r)、漏警率(f)和虚警率(m)进行评价，计算方式如下，溢流为正类
[0160][0161][0162][0163][0164][0165]
其中，a、p、r、f、m分别表示准确率、精确率、召回率、漏警率和虚警率；n
tp
表示标签
为正类的样本被分为正类的数目；n
tn
表示标签为负类的样本被分到负类的数目；n
fp
表示标签为负类的样本被分为正类的数目；n
fn
表示标签为正类的样本被分为负类的数目。其中，正类代表溢流，负类代表非溢流。当模型准确率最高效果在80％以上确定模型，不符合精度时调整修改模型，返回s102重新搭建模型，重复上述操作直至满足精度要求，建立基于神经网络的溢流预警模型，最终得到溢流概率p1。
[0166]
步骤5：如图5所示，对上述输入的工程数据集包括井身结构和钻井液等参数，使用悬重、钻压、转速、扭矩、立压、出口流量、总池体积、总烃、井深、钻头深度作为神经网络输入参数，将已确定的井口压力作为边界条件，通过质量守恒方程和动量方程如下
[0167][0168][0169][0170]
通过有限差分，隐式离散求解上述方程：
[0171][0172]
式中：ρ
l
，ρg代表液体和气体密度，kg/m3；α
l
，αg代表持液率和持气率，无单位；v
l
，vg代表液体和气体流速，m/s；p代表此处压力，pa；g代表重力加速度，m/s3；ff所受合外力，n；wj，fj，qj代表差分变量；δt，δz代表差分的时间长度和空间长度；n，i代表差分的时间节点和空间节点；j代表节点序号，为1,2,
…
j。
[0173]
上述结合钻井过程中实际初始化条件进行井筒内压力计算，确定井底压力变化情况和趋势，通过与地层压力对比进行溢流情况判断，实时计算井底压力与地层压力的差值(δp＝p
p-p
downhole
)，当井底压差为0mpa时，认为不会发生溢流，当井底压差大于等于2.0mpa时，溢流发生的可能性较大。对此，可将实时计算得到的井底压差转换为溢流发生的概率，即基于溢流机理的井底溢流概率为p2。
[0174]
步骤6：如图5所示，通过将基于神经网络的溢流预警模型和基于溢流机理的模型结果进行加权平均进行高效快速精确的溢流预警。具体地，通过将基于神经网络的溢流预警模型和基于溢流机理的模型结果进行加权平均后得到最终的溢流概率综合评价指标，p＝w1×
p1+w2×
p2，其中，w1与w2为加权权重，分别可取0.5、0.5。
[0175]
如图6所示，图6中建立的综合评价指标及阈值示意图，曲面为评价指标1(即上述的第一钻井溢流发生概率)、评价指标2(即上述的第二钻井溢流发生概率)、综合评价指标构成的曲面，平面为综合评价指标为0.4的阈值平面。图6中，评价指标1为第一评价指标，评价指标2为第二评价指标，综合评价指标为最终的溢流评价指标；图中曲面是由第一、二评价指标及综合评价指标(共三个指标)构成的曲面；图中的平面是值为0.4的阈值平面，即位于平面上方的曲面部分认为发生溢流工况，位于平面下方的曲面部分认为未发生溢流工况。
[0176]
由于溢流工况造成的后果较为严重，因此工程上允许一定的误报率，但需要将漏报率降至最低，对此可将溢流概率综合评价阈值设置为0.4，即当实时计算得到的p大于0.4
时，认为会发生溢流，进行溢流报警，当小于0.4时，认为不会发生溢流。
[0177]
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
[0178]
本发明实施例中，根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；上述溢流数据集包括训练样本数据集和测试样本数据集；建立bp-lstm神经网络模型；上述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；在加权概率超过预设数值时，发出钻井溢流的预警信息，与现有技术中使用进出口流量差值变化、钻井液性质参数变化和井底参数变化进行溢流预警的技术方案相比，通过建立bp-lstm神经网络模型，实现了基于神经网络的溢流早期预警，可以实现快速精确进行溢流预警的目的，同时通过根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率，实现了基于溢流机理的溢流早期预警，进而通过加权计算，提升了钻井溢流预警的准确度和处理效率。
[0179]
如上述，本发明提供的基于神经网络和溢流机理的溢流早期预警方法，相比于现有技术有益效果如下：
[0180]
(1)利用钻录数据集，主要为地面钻井参数，具有所需额外设备少、成本低、易于实现推广与现场测试使用等优点；
[0181]
(2)基于神经网络进行溢流预警，方便后续开展模型维护，模型与深度学习结合的后期更新；
[0182]
(3)相比于其他算法，采用bp和lstm网络融合模型，并且通过损失函数对模型加以物理层面约束，使模型的鲁棒性增强，输出较为稳定且可以实现快速精确进行溢流预警；
[0183]
(4)将智能模型和传统的压力模型结合，增加了模型泛化能力，保证模型在不同状况下都可以保持一定的精度；
[0184]
(5)为今后开展智能钻井风险预测打下基础。
[0185]
本发明实施例中还提供了一种钻井溢流预警的装置，如下面的实施例上述。由于该装置解决问题的原理与钻井溢流预警的方法相似，因此该装置的实施可以参见钻井溢流预警的方法的实施，重复之处不再赘述。
[0186]
本发明实施例还提供一种钻井溢流预警的装置，用以提升钻井溢流预警的准确度和处理效率，如图7所示，该装置包括：
[0187]
溢流数据集建立模块701，用于根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；上述溢流数据集包括训练样本数据集和测试样本数据集；
[0188]
bp-lstm神经网络模型建立模块702，用于建立bp-lstm神经网络模型；上述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；
[0189]
溢流预警神经网络模型训练模块703，用于以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；
[0190]
第一钻井溢流发生概率计算模块704，用于将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；
[0191]
井底压力与地层压力的差值计算模块705，用于根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；
[0192]
第二钻井溢流发生概率计算模块706，用于根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；
[0193]
加权概率计算模块707，用于对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；
[0194]
预警模块708，用于在加权概率超过预设数值时，发出钻井溢流的预警信息。
[0195]
在一个实施例中，如图8所示，还可以包括：
[0196]
数据预处理模块709，用于：
[0197]
对钻井的录井数据和钻井工程数据，进行数据预处理，得到处理后的钻井数据；上述预处理包括：数据整理清洗处理、数据补全处理和数据标准化处理；
[0198]
溢流数据集建立模块，具体用于：
[0199]
根据处理后的钻井数据，建立用于神经网络训练和神经网络输入的溢流数据集。
[0200]
在一个实施例中，溢流数据集建立模块，具体用于：
[0201]
利用卡方检验，根据钻井的录井数据和钻井工程数据，选取录井特征数据；
[0202]
根据选取的录井特征数据，建立用于神经网络训练和神经网络输入的溢流数据集。
[0203]
在一个实施例中，bp-lstm神经网络模型建立模块，具体用于：
[0204]
按如下方式建立bp-lstm神经网络模型：
[0205]
将交叉熵损失函数作为全连接神经网络和长短期记忆神经网络的损失函数；
[0206]
将全连接神经网络和长短期记忆神经网络的损失函数相加，得到bp-lstm神经网络模型的损失函数；
[0207]
对bp-lstm神经网络中的超参数进行参数寻优操作；上述超参数包括隐藏层数量、神经元个数、激活函数、损失函数和优化器。
[0208]
在一个实施例中，上述溢流数据集还用于神经网络验证；上述溢流数据集还可以包括验证样本数据集；
[0209]
在得到溢流预警神经网络模型后，如图9所示，上述装置还可以包括：
[0210]
溢流预警神经网络模型验证模块710，用于：
[0211]
利用正交试验法，以准确率、精确率、召回率、漏警率和虚警率为评价指标，使用验证样本数据集，对溢流预警神经网络模型进行验证，得到验证好的溢流预警神经网络模型。
[0212]
在一个实施例中，井底压力与地层压力的差值计算模块，具体用于：
[0213]
使用钻井的录井数据和钻井工程数据中的井身结构数据和钻井液性能数据，将井口压力作为边界条件，通过质量守恒方程和能量守恒方程，进行井筒内压力计算，得到井底压力与地层压力的差值。
[0214]
在一个实施例中，井底压力与地层压力的差值计算模块，具体用于：
[0215]
按如下公式进行井筒内压力计算，得到井底压力与地层压力的差值：
[0216]
δp＝p
p-p
downhole
[0217]
其中，δp为井底压力与地层压力的差值，单位为mpa；p
p
为地层压力，单位为mpa；p
downhole
为井底压力，单位为mpa。
[0218]
在一个实施例中，第二钻井溢流发生概率计算模块，具体用于：
[0219]
按如下公式根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率：
[0220][0221]
其中，p2为第二钻井溢流发生概率；δp为井底压力与地层压力的差值，单位为mpa；a为预设置的常数。
[0222]
在一个实施例中，加权概率计算模块，具体用于：
[0223]
按如下公式对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率：
[0224]
p＝w1×
p1+w2×
p2[0225]
其中，p为钻井溢流的加权概率；w1、w2为预设置的加权权重；p1为第一钻井溢流发生概率；p2为第二钻井溢流发生概率。
[0226]
本发明实施例提供一种用于实现上述钻井溢流预警的方法中的全部或部分内容的计算机设备的实施例所述计算机设备具体包含有如下内容：
[0227]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现钻井溢流预警的方法的实施例及用于实现钻井溢流预警的装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0228]
图10为本技术实施例的计算机设备1000的系统构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0229]
一实施例中，钻井溢流预警的功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
[0230]
根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；所述溢流数据集包括训练样本数据集和测试样本数据集；
[0231]
建立bp-lstm神经网络模型；所述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；
[0232]
以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；
[0233]
将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；
[0234]
根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；
[0235]
根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；
[0236]
对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；
[0237]
在加权概率超过预设数值时，发出钻井溢流的预警信息。
[0238]
在另一个实施方式中，钻井溢流预警的装置可以与中央处理器1001分开配置，例如可以将钻井溢流预警的装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现钻井溢流预警的功能。
[0239]
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
[0240]
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
[0241]
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
[0242]
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0243]
该存储器1002可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
[0244]
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0245]
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0246]
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得
可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
[0247]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流预警的方法。
[0248]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钻井溢流预警的方法。
[0249]
本发明实施例中，根据钻井的录井数据和钻井工程数据，建立用于神经网络训练和神经网络输入的溢流数据集；所述溢流数据集包括训练样本数据集和测试样本数据集；建立bp-lstm神经网络模型；所述bp-lstm神经网络模型用于表征全连接神经网络和长短期记忆神经网络串联后的神经网络结构；以训练样本数据集，对bp-lstm神经网络模型进行训练，得到溢流预警神经网络模型；将测试样本数据集，输入至溢流预警神经网络模型，得到第一钻井溢流发生概率；根据钻井的录井数据和钻井工程数据，进行井筒内压力计算，得到井底压力与地层压力的差值；根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率；对第一钻井溢流发生概率和第二钻井溢流发生概率进行加权计算，得到钻井溢流的加权概率；在加权概率超过预设数值时，发出钻井溢流的预警信息，与现有技术中使用进出口流量差值变化、钻井液性质参数变化和井底参数变化进行溢流预警的技术方案相比，通过建立bp-lstm神经网络模型，实现了基于神经网络的溢流早期预警，可以实现快速精确进行溢流预警的目的，同时通过根据井底压力与地层压力的差值，计算得到第二钻井溢流发生概率，实现了基于溢流机理的溢流早期预警，进而通过加权计算，提升了钻井溢流预警的准确度和处理效率。
[0250]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0251]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0252]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0253]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0254]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。